張 明，馮 坤，江志農(nóng)

（北京化工大學(xué)診斷與自愈工程研究中心，北京100029）

基于動態(tài)自學(xué)習(xí)閾值和趨勢濾波的機械故障智能預(yù)警方法

張 明，馮 坤，江志農(nóng)

（北京化工大學(xué)診斷與自愈工程研究中心，北京100029）

針對當(dāng)前機械在線監(jiān)測系統(tǒng)報警難以實現(xiàn)機械故障早期預(yù)警問題，提出一種智能預(yù)警方法。基于在線監(jiān)測系統(tǒng)大量監(jiān)測數(shù)據(jù)統(tǒng)計分析，采用動態(tài)的自學(xué)習(xí)閾值算法計算預(yù)警閾值，并應(yīng)用l1趨勢濾波技術(shù)消除隨機誤差獲取濾波后的趨勢。應(yīng)用動態(tài)自學(xué)習(xí)閾值替代監(jiān)測系統(tǒng)中的常規(guī)報警閾值，比較自學(xué)習(xí)預(yù)警閾值與濾波后的趨勢，實現(xiàn)了機械故障早期預(yù)警。工程實例表明，該方法能夠?qū)C械故障實現(xiàn)早期預(yù)警，對預(yù)防機械事故的發(fā)生有重要的作用。

自學(xué)習(xí)閾值；故障預(yù)警；非參數(shù)檢驗；beta分布；l1趨勢濾波

汽輪機、發(fā)電機、壓縮機等是石化、電力等流程工業(yè)中廣泛使用的機械，該類設(shè)備安全、穩(wěn)定的運行，會產(chǎn)生良好的經(jīng)濟效益和社會效益。目前，企業(yè)中的大型關(guān)鍵設(shè)備多數(shù)已安裝機械在線監(jiān)測系統(tǒng)，但是，當(dāng)前的機械在線監(jiān)測系統(tǒng)并不能實現(xiàn)機械故障的早期預(yù)警，主要因為存在以下問題：①報警閾值由主機廠提供并預(yù)先設(shè)定到監(jiān)測系統(tǒng)中，當(dāng)機組報警時故障已經(jīng)惡化到一定程度，并不能在故障發(fā)生的早期實現(xiàn)預(yù)警；②若為了使監(jiān)測系統(tǒng)實現(xiàn)早期預(yù)警而將報警閾值調(diào)低，則可能會因噪聲及采集誤差的影響使實時采集的監(jiān)測數(shù)據(jù)反復(fù)穿越報警線，導(dǎo)致大量錯誤預(yù)警；③若采用傳統(tǒng)平滑濾波技術(shù)消除噪聲及采集誤差的影響，則有可能丟失關(guān)鍵故障信息，從而產(chǎn)生嚴(yán)重事故，給企業(yè)帶來巨大損失。

研究能夠充分利用機械在線監(jiān)測系統(tǒng)的監(jiān)測參數(shù)數(shù)據(jù)解決上述問題的機械智能預(yù)警技術(shù)［1］是現(xiàn)實的迫切需要，具有重要的工程意義，同時對推進(jìn)機械在線監(jiān)測系統(tǒng)走向智能化具有理論指導(dǎo)意義。

1 智能預(yù)警方法的提出

機械在線監(jiān)測系統(tǒng)當(dāng)前常規(guī)報警方式為：預(yù)先設(shè)定測點的報警值與危險值（固定值，參考API、ISO等標(biāo)準(zhǔn)），將實時采集的特征值數(shù)據(jù)與預(yù)先設(shè)定的報警值與危險值進(jìn)行比較，若實時數(shù)據(jù)小于報警值，則判定機組運行正常；若實時數(shù)據(jù)大于報警值且小于危險值，則判定機組發(fā)生故障，此時需要排查故障原因并判定是否需要停車維修；當(dāng)實時數(shù)據(jù)大于危險值，則需要立即停車維修。

如圖1所示，機械在線監(jiān)測系統(tǒng)常規(guī)報警方式十分簡單，未能利用監(jiān)測參數(shù)趨勢數(shù)據(jù)，當(dāng)超過報警值時機械故障往往已經(jīng)惡化，研究能夠充分利用監(jiān)測參數(shù)趨勢數(shù)據(jù)的智能預(yù)警技術(shù)是非常必要的。國內(nèi)外諸多學(xué)者對預(yù)測故障的智能報警技術(shù)進(jìn)行了研究，Dokas等［2］研究了基于故障樹分析和模糊專家系統(tǒng)的預(yù)警診斷技術(shù)；Widarsson等［3］研究了回收鍋爐泄漏故障的貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)警診斷方法；Zhao等［4］研究了市政固體廢物焚化爐在線早期故障監(jiān)測與診斷方法；馬晉等［5］研究了基于瞬時轉(zhuǎn)速波動率實現(xiàn)了內(nèi)燃機點火狀態(tài)的早期預(yù)警方法；魏中青等［6］研究了快變報警技術(shù)實現(xiàn)了大型旋轉(zhuǎn)機械突發(fā)性故障的早期預(yù)警診斷；張棟梁等［7］研究了狀態(tài)監(jiān)測系統(tǒng)中的智能預(yù)警管理系統(tǒng)。

圖1 常規(guī)報警判斷流程圖Fig.1 General alarm flow chart

本文基于監(jiān)測參數(shù)趨勢數(shù)據(jù)統(tǒng)計分析提出了自學(xué)習(xí)預(yù)警閾值與趨勢濾波相結(jié)合的機械故障智能預(yù)警方法。研究了動態(tài)自學(xué)習(xí)預(yù)警閾值算法，實現(xiàn)監(jiān)測參數(shù)預(yù)警閾值的自動學(xué)習(xí)；使用Kim等提出的l1趨勢濾波技術(shù)［8］對監(jiān)測參數(shù)趨勢數(shù)據(jù)進(jìn)行濾波，消除了趨勢數(shù)據(jù)中的采集誤差。

2 監(jiān)測參數(shù)趨勢數(shù)據(jù)的統(tǒng)計分析

選取了卡方檢驗（Chi-square test）、Kolmogorov-Smirnov檢驗及秩和檢驗，對機械在線監(jiān)測系統(tǒng)不同測點的監(jiān)測參數(shù)趨勢數(shù)據(jù)進(jìn)行了非參數(shù)檢驗［9］。結(jié)果表明：平穩(wěn)狀態(tài)下監(jiān)測參數(shù)趨勢趨數(shù)據(jù)不服從高斯分布，并且同一機組的不同測點監(jiān)測數(shù)據(jù)也不能認(rèn)為來自同一總體。

2.1 卡方檢驗

假設(shè)一個定性變量Y具有k個可能取值或有k種分類（標(biāo)為1，2，…，k），Y的概率分布自然地由概率函數(shù)P（Y＝i）（i＝1，2，…，k）所確定?，F(xiàn)在要考查已觀察到的一組樣本（容量為n）與某確定的分布G擬合的程度，相當(dāng)于研究P（Y＝i）（i＝1，2，…，k）與G之間的差異，看這個差異是否屬于偶然變異，這就是卡方檢驗的基本原理?？ǚ綑z驗的步驟如下：

其中：Oi表示落入第i組的樣本觀測值的實際頻數(shù)，表示理論頻數(shù)。

（3）作出判斷

2.2 Kolmogorov-Sm irnov檢驗

Kolmogorov-Smirnov檢驗用于檢驗一組樣本觀測結(jié)果的經(jīng)驗分布同某一指定的理論分布（如高斯分布）之間是否一致。K－S檢驗的基本思路為，將順序分類數(shù)據(jù)的理論累計頻率分布同觀測的經(jīng)驗累計頻率分布加以比較，求出他們最大的偏離值，然后在給定的顯著性水平上檢驗這種偏離值是否是偶然出現(xiàn)的。

設(shè)理論累計頻數(shù)分布為F（x），n次觀測的隨機樣本的經(jīng)驗分布函數(shù)，K－S檢驗的步驟如下：

（1）零假設(shè)H0：經(jīng)驗分布與理論分布沒有顯著差別。

（2）把樣本觀測值從小到大排列為：

x（1），x（2），…，x（n），計算經(jīng)驗累積分布函數(shù)Fn（x）和理論累積分布函數(shù)F（x）。

雙側(cè)顯著性水平（P值）根據(jù)Smirnov提出的公式計算。

（3）作出判斷

若P＜α，則拒絕零假設(shè)。

2.3 秩和檢驗

對于分別抽自總體X和Y的兩個獨立樣本，把兩者混合在一起，并按其量值由小到大順序排列，得：

如果xk＝zj，則記Rk（x）?j，則稱為xk在混合樣本中的秩。

設(shè)Y的樣本容量n2小于X的樣本容量n1，威爾柯克遜提出用Y在混合樣本中的秩和總和：

來檢驗X和Y的分布是否一致。秩和檢驗的步驟如下：

（1）零假設(shè)H0：兩個獨立樣本來自相同的總體。

（2）計算相應(yīng)檢驗統(tǒng)計量值或P值。

（3）作出判斷

若P＜α，則拒絕零假設(shè)。

選取同一機組不同測點的監(jiān)測參數(shù)趨勢數(shù)據(jù)1和監(jiān)測參數(shù)趨勢數(shù)據(jù)2，如圖2所示，進(jìn)行卡方檢驗、Kolmogorov-Smirnov檢驗及秩和檢驗，數(shù)據(jù)單位為μm。

對監(jiān)測參數(shù)趨勢數(shù)據(jù)1進(jìn)行卡方檢驗和Kolmogorov-Smirnov檢驗：

（1）零假設(shè)：監(jiān)測參數(shù)趨勢數(shù)據(jù)1服從高斯分布；

（2）卡方檢驗計算P1＝2.595×10－4，Kolmogorov-Smirnov檢驗計算P2＝7.166 4×10－307；

（3）在顯著性水平α＝0.05時，P1＜α，P2＜α，則兩種檢驗均拒絕零假設(shè)，因此監(jiān)測參數(shù)趨勢數(shù)據(jù)1不服從高斯分布。

同理，對監(jiān)測參數(shù)趨勢數(shù)據(jù)2進(jìn)行卡方檢驗和Kolmogorov-Smirnov檢驗：

（1）零假設(shè)：監(jiān)測參數(shù)趨勢數(shù)據(jù)2服從高斯分布；

（2）卡方檢驗計算P1＝6.095 7×10－8，Kolmogorov-Smirnov檢驗計算p2＝7.166 4×10307；

圖2 （a）監(jiān)測參數(shù)趨勢數(shù)據(jù)1（b）監(jiān)測參數(shù)趨勢數(shù)據(jù)2Fig.2（a）Monitoring parameters trend data 1（b）Monitoring parameters trend data 2

（3）在顯著性水平α＝0.05時，P1＜α，P2＜α，則兩種檢驗均拒絕零假設(shè)，因此監(jiān)測參數(shù)趨勢數(shù)據(jù)2也不服從高斯分布。

對監(jiān)測數(shù)據(jù)參數(shù)數(shù)據(jù)1與數(shù)據(jù)2進(jìn)行秩和檢驗：

（1）零假設(shè)：監(jiān)測參數(shù)趨勢數(shù)據(jù)1與數(shù)據(jù)2來自相同的總體；

（2）秩和檢驗計算P＝1.042 3×10－115；

（3）在顯著性水平α＝0.05時，P＜α，則拒絕零假設(shè)，監(jiān)測參數(shù)趨勢數(shù)據(jù)1和數(shù)據(jù)2來自不同的總體。

3 基于貝塔分布的預(yù)警閾值智能學(xué)習(xí)方法

近年來國內(nèi)外對故障診斷自學(xué)習(xí)報警閾值方法做了諸多研究，Alkaya等［10］研究了基于PCA模型的方差敏感自學(xué)習(xí)閾值的方法及應(yīng)用；Raka等［11］研究了基于魯棒自學(xué)習(xí)閾值的故障監(jiān)測方法；Shi等［12］做了基于模型的自學(xué)習(xí)閾值故障監(jiān)測方法的進(jìn)一步研究；魏中青等［13］針對往復(fù)壓縮機氣閥早期故障預(yù)警問題研究了MLE（最大似然估計）閾值規(guī)則。

由于監(jiān)測參數(shù)趨勢數(shù)據(jù)分布不服從高斯分布，并且不同測點的趨勢數(shù)據(jù)來自不同的總體，說明了不同測點的趨勢數(shù)據(jù)分布形式不同?；诮y(tǒng)計學(xué)分析對不同分布特性研究發(fā)現(xiàn)：Beta分布是一種多參數(shù)統(tǒng)計分布，可以通過調(diào)整其多參數(shù)逼近任意分布形式，使用貝塔分布分別逼近正常狀態(tài)下各測點監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度分布，可得到各測點趨勢數(shù)據(jù)的貝塔概率密度函數(shù)，計算出各測點趨勢數(shù)據(jù)的預(yù)警閾值區(qū)間。

3.1 貝塔分布

式中：μx為x的均值；σ2x為x的方差。

當(dāng)貝塔分布的上限a＝0，下限b＝1時，即成為標(biāo)準(zhǔn)貝塔分布：

貝塔分布密度函數(shù)的形狀可由γ，η來控制，其形狀從均勻分布到近似高斯分布，從對稱到不對稱，而且分布在一個有限的范圍內(nèi)。

3.2 貝塔分布的參數(shù)擬合算法

機械在線監(jiān)測系統(tǒng)的監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度可以通過調(diào)整貝塔分布的形狀參數(shù)γ，η進(jìn)行擬合，本文采用最小二乘法進(jìn)行擬合［14］。

（1）估計概率密度函數(shù)

其中：Xi是將樣本數(shù)據(jù)分區(qū)間后，每個區(qū)間的中點值；mi是樣本數(shù)據(jù)落在第i個區(qū)間內(nèi)的個數(shù)；n是樣本數(shù)據(jù)的個數(shù)；hi是每個區(qū)間的半寬度；N是所有區(qū)間的個數(shù)。

（2）利用最小二乘法求解形狀參數(shù)

其中：Wi為權(quán)系數(shù)，可根據(jù)測量數(shù)據(jù)情況進(jìn)行選取；f（Xi，γ，η）為標(biāo)準(zhǔn)貝塔分布的概率密度函數(shù)。

3.3 監(jiān)測參數(shù)趨勢數(shù)據(jù)的預(yù)警閾值智能學(xué)習(xí)算法

在線監(jiān)測參數(shù)數(shù)據(jù)一般情況下不在0到1的范圍內(nèi)，所以使用標(biāo)準(zhǔn)貝塔分布擬合監(jiān)測參數(shù)數(shù)據(jù)的概率密度分布時需要對振動趨勢數(shù)據(jù)進(jìn)行歸一化處理。

根據(jù)機組平穩(wěn)運行一段時間后得到的監(jiān)測參數(shù)趨勢數(shù)據(jù)，計算得到監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度分布，通過最小二乘法擬合求出最逼近實際趨勢數(shù)據(jù)的貝塔分布形狀參數(shù)γ，η，得到趨勢數(shù)據(jù)的貝塔分布概率密度函數(shù)β（γ，η）。預(yù)警閾值自學(xué)習(xí)過程如下：

（1）將一段時間內(nèi)的監(jiān)測參數(shù)趨勢數(shù)據(jù)Xi歸一化處理：

Xi為監(jiān)測參數(shù)趨勢數(shù)據(jù)；Xmin為監(jiān)測參數(shù)趨勢數(shù)據(jù)中的最小值；Xmax為監(jiān)測參數(shù)趨勢數(shù)據(jù)中的最大值；X＾i為歸一化后的監(jiān)測參數(shù)趨勢數(shù)據(jù)；

（2）依據(jù)式（9）計算監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度分布；

（3）使用上文提到的最小二乘法擬合監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度分布得到標(biāo)準(zhǔn)貝塔分布的兩個形狀參數(shù)γ，η；

α在自學(xué)習(xí)預(yù)警閾值的應(yīng)用中定義為尖峰噪聲引起的采集誤差。外部影響導(dǎo)致在采集過程中產(chǎn)生的尖峰噪聲的誤差一般情況下為5%［18］，即α＝0.05。在實際應(yīng)用過程中，可根據(jù)采集系統(tǒng)的性能以及傳感器特性調(diào)整α值。本文在計算自學(xué)習(xí)預(yù)警閾值時，α取0.05。

選取一組旋轉(zhuǎn)機械振動趨勢數(shù)據(jù)，進(jìn)行預(yù)警閾值智能自學(xué)習(xí)，數(shù)據(jù)單位為μm（如圖3所示）。按照自學(xué)習(xí)預(yù)警閾值計算方法，取α＝0.05時，使用最小二乘法擬合監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度分布（如圖4（a）所示），得到擬合后的貝塔分布（如圖4（b）所示），貝塔分布兩個形狀參數(shù)分別為γ＝34.062 8、η＝46.565 0，計算趨勢數(shù)據(jù)的閾值下限Threshol d1＝23.009 5、上限Threshol d2＝24.853 8，自學(xué)習(xí)報警閾值空間［23.009 5，24.853 8］。

圖3 監(jiān)測參數(shù)趨勢數(shù)據(jù)Fig.3 Monitoring parameters trend data

4 基于l1趨勢濾波技術(shù)的機械故障智能預(yù)警方法

4.1 趨勢濾波

一個標(biāo)準(zhǔn)的時間序列y1，t＝1，…，n，假設(shè)是由一個基本趨勢xt和一個隨機變量zt組成。趨勢濾波就是從標(biāo)準(zhǔn)的時間序列中估計出基本趨勢xt，或者估計出隨

圖4 （a）趨勢數(shù)據(jù)概率密度分布（b）貝塔概率密度分布Fig.4（a）Trend data probability density distribution（b）beta probability density distribution

機變量zt＝y(tǒng)t－xt。趨勢濾波實際上就是估計一個標(biāo)準(zhǔn)時間序列的基本趨勢xt的過程。

趨勢濾波方法包括：滑動平均濾波［15］，指數(shù)平滑濾波［16］，和Hodrick-Prescott（H－P）濾波［17］及l(fā)1趨勢濾波［8］等。H－P濾波作為趨勢濾波方法廣泛地應(yīng)用在許多領(lǐng)域，l1趨勢濾波是在H－P濾波基礎(chǔ)上發(fā)展來的，H－P濾波和l1趨勢濾波各有優(yōu)勢，l1趨勢濾波更適用于分段線性的趨勢的估計。

4.2 l1趨勢濾波

l1趨勢濾波［8］是Kim等在近幾年提出的，是一種H－P濾波的變異，這種改變是使用絕對值（l1范數(shù)）和替代了應(yīng)用在H－P濾波估計趨勢中懲罰變量的平方和。l1趨勢濾波方法和H－P濾波趨勢濾波方法有很多共同的性質(zhì)，同時還有共同的計算復(fù)雜性。兩者根本性不同在于，l1趨勢濾波得到的估計趨勢在分段的線性范圍內(nèi)更平滑。因此，l1趨勢濾波特別適合分析濾波含有分段線性時間序列的趨勢。實際機械設(shè)備故障特征往往表現(xiàn)為趨勢的奇點、斜率的改變等變化，因此l1趨勢濾波恰恰可以檢測和估計這些潛在的變化。

機械在線監(jiān)測系統(tǒng)中監(jiān)測參數(shù)趨勢數(shù)據(jù)總會存在一定采集誤差，它會影響機械故障早期預(yù)警的準(zhǔn)確性。在線監(jiān)測系統(tǒng)監(jiān)測參數(shù)趨勢數(shù)據(jù)主要有兩種采集誤差：一種是連續(xù)的高斯白噪聲，這種誤差無法絕對避免只能盡量減??；另一種是尖峰噪聲，這種誤差可能是由于系統(tǒng)及傳感器問題造成［18］。使用l1趨勢濾波對監(jiān)測參數(shù)趨勢數(shù)據(jù)進(jìn)行濾波處理，能夠很好地得到機組真實的振動趨勢，同時消除了采集誤差對機械故障早期預(yù)警的影響。

4.2.1 l1趨勢濾波算法

l1趨勢濾波算法是在H－P濾波基礎(chǔ)上進(jìn)行改進(jìn)的新型濾波算法。這種趨勢估計是通過最小化加權(quán)目標(biāo)函數(shù)實現(xiàn)的，加權(quán)目標(biāo)函數(shù)見式（15）：

λ是一個非負(fù)參數(shù)用來控制x的平滑性和平衡余項的大小。加權(quán)目標(biāo)函數(shù)對x來說是一個嚴(yán)格的凸函數(shù)，所以只有一個最小值，用xlt表示，因此xlt就是濾波后的趨勢。

文獻(xiàn)［8］指出，l1趨勢濾波求解問題可以等同于對正則化l1最小二乘求解問題，

通過最小二乘法求得此問題結(jié)果θlt，則l1趨勢濾波結(jié)果xlt＝Aθlt。

4.2.2 l1趨勢濾波仿真研究

模擬葉片脫落故障原始趨勢如圖5（a）所示，在原始趨勢的基礎(chǔ)上添加噪聲如圖5（b）所示，分別使用l1趨勢濾波和H－P趨勢濾波方法對葉片脫落故障的模擬信號進(jìn)行濾波。調(diào)整l1趨勢濾波和H－P趨勢濾波控制系數(shù)λ，保證擬合誤差（即：時間序列余項zt＝y(tǒng)txt二范數(shù)的均值）相等的情況下，得到圖5所示濾波結(jié)果，擬合誤差為0.141 9。對比圖5中（c）、（d）兩圖，看出l1趨勢濾波能夠更好地估計出實際機械設(shè)備突發(fā)型故障特征趨勢。

5 本文方法在線監(jiān)測系統(tǒng)中的工程應(yīng)用研究

機械智能預(yù)警方法將動態(tài)自學(xué)習(xí)預(yù)警閾值算法與l1趨勢濾波技術(shù)相結(jié)合，具體步驟如下：

（1）依據(jù)動態(tài)自學(xué)習(xí)預(yù)警閾值算法計算平穩(wěn)運行階段監(jiān)測參數(shù)趨勢數(shù)據(jù)的動態(tài)自學(xué)習(xí)預(yù)警閾值。

（2）使用l1趨勢濾波技術(shù)對監(jiān)測參數(shù)趨勢數(shù)據(jù)進(jìn)行濾波處理。

圖5 （a）葉片脫落原始趨勢（b）葉片脫落原始趨勢＋噪聲（c）l1趨勢濾波后的趨勢（d）H－P趨勢濾波后的趨勢Fig.5（a）Original trend（b）Original trend＋noise（c）l1 filtering trend（d）H－P filtering trend

（3）將實時濾波后的監(jiān)測參數(shù)趨勢數(shù)據(jù)與計算得到的動態(tài)自學(xué)習(xí)預(yù)警閾值進(jìn)行比較，如果趨勢數(shù)據(jù)超出閾值范圍則預(yù)警。

下面選取國內(nèi)某石化企業(yè)透平壓縮機在線監(jiān)測系統(tǒng)中緩變故障案例和突變故障案例驗證本文方法。

5.1 工程案例一

某石化企業(yè)煙氣輪機的常規(guī)報警值為80μm、危險值為100μm。該機組某測點監(jiān)測趨勢從2012年6月初開始緩慢爬升，在此之前該測點趨勢一直平穩(wěn)在73 μm左右，到2012年7月初爬升到95μm左右，一個月內(nèi)趨勢異常爬升了22μm。排查故障原因發(fā)現(xiàn)煙氣中含有了催化劑，使得煙機葉片上逐漸粘附催化劑導(dǎo)致不平衡量逐漸增大，導(dǎo)致趨勢發(fā)生緩慢爬升。

根據(jù)動態(tài)自學(xué)習(xí)預(yù)警閾值算法計算正常運行階段的動態(tài)自學(xué)習(xí)預(yù)警閾值，取α＝0.05時，得到擬合后的貝塔分布的兩個形狀參數(shù)分別為γ＝2.725 6、η＝2.419 1，趨勢數(shù)據(jù)的預(yù)警閾值下限Threshol d1＝70.790 5、上限Threshol d2＝73.698 5，自學(xué)習(xí)預(yù)警閾值空間［70.790 5，73.698 5］。使用l1趨勢濾波技術(shù)對趨勢數(shù)據(jù)進(jìn)行濾波處理。當(dāng)該機組實時濾波后的趨勢數(shù)據(jù)超出動態(tài)自學(xué)習(xí)預(yù)警閾值空間后發(fā)出預(yù)警。

如圖6所示，使用常規(guī)報警方式發(fā)出報警時，故障已經(jīng)惡化到一定程度。與常規(guī)報警方式相比，機械智能預(yù)警方法在緩變故障發(fā)生的早期就可以發(fā)出預(yù)警，實現(xiàn)了緩慢變化故障早期預(yù)警，彌補常規(guī)報警方式在緩變故障預(yù)警上的不足。

5.2 工程案例二

某石化企業(yè)二氧化碳壓縮機的常規(guī)報警值為60 μm，危險值為90μm。該機組在正常運行過程中突然發(fā)生異常，在5 s的時間里振動趨勢從40μm左右跳變到50μm左右。事后排查故障原因發(fā)現(xiàn)壓縮介質(zhì)不干凈，在長期運行過程中污垢在葉片上積累，污垢脫落瞬間導(dǎo)致轉(zhuǎn)子不平衡量突然變化，從而導(dǎo)致趨勢突變。

根據(jù)動態(tài)自學(xué)習(xí)預(yù)警閾值算法計算正常運行階段的動態(tài)自學(xué)習(xí)預(yù)警閾值，取α＝0.05時，得到擬合后的貝塔分布的兩個形狀參數(shù)分別為γ＝1.918 1、η＝2.642 5，趨勢數(shù)據(jù)的預(yù)警閾值下限Threshol d1＝34.953 2、上限Threshol d2＝41.717 7，自學(xué)習(xí)預(yù)警閾值空間［34.953 2，41.717 7］。使用l1趨勢濾波技術(shù)對趨勢數(shù)據(jù)進(jìn)行濾波處理。當(dāng)該機組實時濾波后的趨勢數(shù)據(jù)超出動態(tài)自學(xué)習(xí)預(yù)警閾值空間后發(fā)出預(yù)警。

圖6 （a）緩變故障原始趨勢（b）l1濾波后緩變故障趨勢Fig.6（a）Original trend of slowly changed fault（b）l1 filtering trend of slowly changed fault

圖7 （a）突變故障原始趨勢（b）l1趨勢濾波后突變故障趨勢Fig.7（a）Original trend of fast changed fault（b）l1 filtering trend of fast changed fault

如圖7所示，本例突變故障并沒有觸發(fā)常規(guī)報警。與常規(guī)報警相比，機械智能預(yù)警方法在突變故障發(fā)生的早期就可以發(fā)出預(yù)警，實現(xiàn)了突然變化故障早期預(yù)警，彌補常規(guī)報警方式在突變故障預(yù)警上的不足。

6 結(jié) 論

本文提出基于自學(xué)習(xí)預(yù)警閾值和趨勢濾波的機械故障智能預(yù)警方法，得到如下結(jié)論：

（1）對監(jiān)測參數(shù)趨勢數(shù)據(jù)進(jìn)行非參數(shù)檢驗，驗證了趨勢數(shù)據(jù)并不服從高斯分布并且不同測點的趨勢數(shù)據(jù)來自不同總體。

（2）使用貝塔分布擬合不同測點監(jiān)測參數(shù)趨勢數(shù)據(jù)的概率密度分布，并提出了動態(tài)自學(xué)習(xí)預(yù)警閾值算法。利用l1趨勢濾波技術(shù)消除了監(jiān)測參數(shù)趨勢數(shù)據(jù)中的采集誤差。

（3）提出機械智能預(yù)警方法為：將實時l1趨勢濾波后的監(jiān)測參數(shù)趨勢數(shù)據(jù)與動態(tài)自學(xué)習(xí)預(yù)警閾值進(jìn)行比較，如果趨勢數(shù)據(jù)超出閾值范圍則預(yù)警。

工程案例表明：機械智能預(yù)警方法能夠彌補常規(guī)報警方式在早期故障預(yù)警方面的不足，在故障發(fā)生的早期尚未觸發(fā)常規(guī)報警時就可以監(jiān)測到趨勢異常從而實現(xiàn)早期預(yù)警。

［1］高金吉.機械故障診治與自愈化［M］.北京：高等教育出版社，2012.

［2］Dokas IM，Karras D A，Panagiotakopoulos D C.Fault tree analysis and fuzzy expert systems：Early warning and emergency response of landfill operations［J］.Environmental Modelling＆Software，2009，24（1）：8－25.

［3］Widarsson B，Dotzauer E.Bayesian network-based earlywarning for leakage in recovery boilers［J］.Applied Thermal Engineering，2008，28（7）：754－760.

［4］Zhao JS，Huang JC，Sun W.On-line early fault detection and diagnosis of municipal solid waste incinerators［J］.Waste Management，2008，28（11）：2406－2414.

［5］馬晉，江志農(nóng)，高金吉.基于瞬時轉(zhuǎn)速波動率的內(nèi)燃機故障診斷方法研究［J］.振動與沖擊，2012，31（13）：119－124.

MA Jin，JIANG Zhi-nong，GAO Jin-ji.Diesel engine fault diagnosis method based on instantaneous angular speed fluctuation ratio［J］.Journalof Vibration and Shock，2012，31（13）：119－124.

［6］魏中青，馬波，江志農(nóng)，等.旋轉(zhuǎn)機械振動監(jiān)測快變報警系統(tǒng)研究及工程應(yīng)用［J］.機電工程技術(shù)，2010，39（12）：82－84，114.

WEIZhong-qing，MA Bo，JIANG Zhi-nong，et al.Rotating machinery vibration monitoring fast changing alarm systems research and engineering applications［J］.Mechanical＆Electrical Engineering Technology，2010，39（12）：82－ 84，114.

［7］張棟梁，魏中青.基于狀態(tài)監(jiān)測的預(yù)警管理系統(tǒng)研究與應(yīng)用［J］.電子設(shè)計工程，2011，12：8－10，14.

ZHANG Dong-liang，WEIZhong-qing.Study and application of early warning management system based on condition monitoring［J］.Electronic Design Engineering，2011，12：8－10，14.

［8］Kim S J，Koh K，Boyd B，et al.l1 Trend filtering［J］.SIAMReview，Problems and Techniques Section，2009，51（2）：339－360.

［9］宋昕，蔡泳，徐剛，等.非參數(shù)檢驗方法概述［J］.上?？谇会t(yī)學(xué)，2004，13（6）：561－563.

SONG Xin，CAI Yong，XU Gang，et al.A review of nonparametric test［J］.Shanghai Journal of Stomatology，2004，13（6）：561－563.

［10］Alkaya A，Eker I.Variance sensitive adaptive thresholdbased PCA method for fault detection with experimental application［J］.ISA Transactions，2011，50（2）：287－302.

［11］Raka S A，Combastel C.Fault detection based on robust adaptive thresholds：A dynamic interval approach［J］.Annual Reviews in Control，2013，37（1）：119－128.

［12］Shi Z，Gu F，Lennox B，et al.The development of an adaptive threshold for model-based fault detection of a nonlinear electro-hydraulic system［J］.Control Engineering Practice，2005，13（11）：1357－1367.

［13］魏中青，馬波，竇遠(yuǎn)，等.基于MLE閾值規(guī)則的小波特征提取技術(shù)在氣閥故障診斷中的應(yīng)用［J］.振動與沖擊，2011，30（1）：237－241.

WEIZhong-qing，MABo，DOU Yuan，etal.Wavelet feature extracting technique based on maximum likelihood estimation threshold rule and its application in fault diagnosis of a gas valve［J］.Journal of Vibration and Shock，2011，30（1）：237－241.

［14］曹天捷，周則恭.最小二乘法在估計概率分布參數(shù)中的應(yīng)用［J］.機械強度，1997（4）：34－37.

CAO Tian-jie，ZHOU Ze-gong.Application of the least square method in the estimation of the parameters of the probability distribution［J］.Journal of mechanical strength，1997（4）：34－37.

［15］Jose A R，Eduardo R，Juan C E.Detrending fluctuation analysis based on moving average filtering［J］.Physica A：Statistical Mechanics and its Applications，2005，354：199－219.

［16］Taylor J W.Exponential smoothing with a damped multiplicative trend［J］.International Journal of Forecasting，2003，19（4）：715－725.

［17］Hodrick JR，Prescott C E，Postwar U S.Business cycles：An empirical investigation［J］.Journal of Money，Credit and Banding，1997，29（1）：1－29.

［18］Chen Z，Ivanov P C，Hu K，et al.Effect of nonstationarities on detrended fluctuation analysis［J］.Physical Review E，2002，65（4）：041107.

A mechanical fault early warning methodology based on dynamic self-learning threshold and trend filtering techniques

ZHANGMing，F(xiàn)ENG Kun，JIANG Zhi-nong
（Diganosis＆Self-Recovery Engineering Research Center，Beijing University of Chemical Technology，Beijing 100029，China）

Because the alarm mode of current online monitoring systems is hard to realize early-warning a mechanical fault，an early warning methodology was proposed here.Based on statistical analysis ofmass data in online monitoring systems，advantages of the dynamic self learning threshold algorithm were taken to calculate a warning threshold，and the l1 trend filtering technology was used to gain the filtered trend eliminating random errors.With dynamic self-learning threshold instead of general alarm threshold in monitoring systems，early warning of a fault could be acquired by comparing the self-learning warning threshold and the filtered trend.Itwas shown from engineering examples that early warning of amechanical fault can be achieved with the proposed method，it plays an important role in preventing occurrence ofmechanical fault.

self-learning threshold；fault early warning；nonparametric test；beta distribution；l1 trend filtering

TH165＋.3；TP391

A

10.13465/j.cnki.jvs.2014.24.002

國家自然科學(xué)重點基金項目（51135001）；國家青年科學(xué)基金項目（51305020）；國家重點基礎(chǔ)研究發(fā)展計劃（“973”計劃）項目（2012CB026000）

2013－10－21 修改稿收到日期：2014－01－02

張明男，博士生，1988年7月生

江志農(nóng)男，教授，博士生導(dǎo)師，1967年10月生